RVT-2: Learning Precise Manipulation from Few Demonstrations

是对上一篇RVT 的改进。

发表时间:12 Jun 2024

作者单位:NVIDIA

Motivation:为了在工业和家庭领域很有用,这样的系统应该能够用很少的演示来学习新任务,并精确地解决它们。先前的工作,如PerAct[40]和RVT[17],已经研究了这个问题,但是,它们通常难以处理需要高精度的任务

解决方法:我们研究了如何使它们更有效、准确和快速。使用架构和系统级改进的组合,我们提出了 RVT-2,这是一种多任务 3D 操作模型,在训练中快 6 倍,推理速度比其前身 RVT 快 2 倍。with just 10 demonstrations

实现方式我们的动机是思考什么防止 RVT 实现更高的性能的问题。经过仔细分析,我们发现RVT很难处理需要高精度的任务,如螺丝灯泡或插入钉子。在我们的分析中,我们还确定了几个改进来进一步提高系统的训练和推理速度。通过我们的架构和系统级的改进,我们能够提高RVT的速度和有效性。To the best of our knowledge, this is the first time a visionbased policy trained with a few examples has been tested to work on such high-precision tasks.

RVT-2 基于基于关键帧的操作范式。我们将这些改进分为两类:与神经网络变化相关的架构,以及与软件优化相关的系统相关架构。

Background:

Key-frame

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Ming_Chs

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值